Miért fontos a data science?

Miért fontos a data science?

Fejlesztői kutatásunk kapcsán már többször beszéltünk arról, a megkérdezettek milyen témakörökben képeznék szívesen tovább magukat. Akkor a következő évtized kulcsterületei, mint a mesterséges intelligencia és a data science nem fértek fel a dobogóra a legfontosabb szakmai célok közé (31.6%-ot értek el), holott ezekre mindenképpen érdemes odafigyelni. Ahogy Laczkó Gábor, a Braining Hub ügyvezetője nyilatkozta kérdőívünk eredményei kapcsán: “A nemzetközi tapasztalatok egyértelműen mutatják, hogy erre a tudásanyagra égető szükség lesz az előttünk álló években, így kifejezetten fontos lesz tudatosan ebbe az irányba terelni a fejlesztőket. Ebben nagy szerepe van a munkáltatóknak, akik plusz motivációként az egész IT-csapatukat elküldhetik egy-egy továbbképzésre, ezzel tulajdonképpen két legyet üthetnek egy csapásra.”

Épp ezért 2020 második felétől több konstrukcióban is elérhetőek nálunk data science kurzusok: októberben egy egynapos tréning keretében az adatelemzés és a gépi tanulás világával ismerkedhettek meg a résztvevők, e hónaptól kezdődően pedig egy modulokra bontott 2 napos tanfolyamot ajánlunk az érdeklődők figyelmébe egészen januárig. Előbbiről felvételt is készítettünk, amelynek részeit itt is megosztanánk – a bejegyzés további részében pedig arra térnénk ki, miért fontos a data science, illetve hogy kinek ajánljuk ide kapcsolódó képzéseinket. 

Miért fontos a data science?

Ahogy mostanában gyakran elhangzik: az adat az új olaj. Valójában azonban ennél sokkal többről van szó, hiszen az adattudomány segítségével olyan globális problémák megoldásához kerülhetünk közelebb, mint a járványok vagy az éghajlatváltozás. Becslések szerint háromévente megduplázódik az emberiség rendelkezésére álló digitális adatok mennyisége, így nem csoda, ha ésrevétlenül a mindennapi életünk részévé vált az adatelemzés. Személyre szabott ajánlatok, ízlésünkhöz passzoló tartalmak, a közösségi médiafelületek hirdetései – ezeket mind ennek az új tudománynak köszönhetjük. A szórakoztatóipar, a kereskedelem és a kommunikáció mellett az üzleti életben is egyre nagyobb szerepet kap ez a terület, hiszen mind egyre vállalat használ data science-alapú döntéshozatali modelleket. A globális trendekből arra következtethetünk, hogy a jövőben a big data nem csupán egy eszköz lesz, hanem maga a termék vagy szolgáltatás, az erre alapuló eszközök és előrejelzések pedig alapvetően változtatják majd meg mindennapjainkat. 

Kinek érdemes belevágni a tanulásba?

Többféle irány is a rendelkezésünkre áll, amennyiben úgy döntünk, kipróbáljuk magunkat ezen a területen. A paletta elég széles, és sokan nincsenek tisztában az elvenezésekkel: a Data Engineer az információk tárolásával, mozgatásával, illetve a kapcsolódó infrastruktúrával foglalkozik, a Data Scientist elsősorban az adatok átalakításán és optimalizálásán dolgozik, míg a Business Analyst feladata a kiértékelés és a döntéshozói kezekbe kerülő riportok elkészítése. Habár világszerte egyre nagyobb az érdeklődés a data scientist szakma iránt, itthon ez a terület egyelőre gyerekcipőben jár. És hogy milyen előismeretekre van szükséged hozzá? Képzéseink oktatóját megkérdeztük erről:

„Az adattudomány területén jó tisztában lenni az AI és gépi tanulás alapjaival, jól ismerni a Python nyelvet, esetleg matematikai vagy mérnöki háttérrel rendelkezni, de a szakmai elvárások mellett számos egyéb készség is szükséges a kapcsolódó pozíciókban. Az erős analitikus képességek és üzleti érzék mellett a problémamegoldó szemlélet, a kíváncsiság és a motiváltság is fontos tulajdonságok. Ez az a terület, ahol – annak ellenére, hogy számokkal foglalkozik – tudni kell feszegetni a határokat és kilépni a komfortzónából.

Legutóbbi bejegyzések

AI+low-code: A kódolás jövője és kihívásai

2026-ra a vállalatok 80%-a fog AI-t használni. A mesterséges intelligencia forradalmasítja a kódolás világát, ugyanakkor nem szabad megfeledkezni annak kihívásairól és a tévhitekről sem. A hype vakságának csapdájába esve könnyű elfelejteni, hogy az AI, bár rendkívüli lehetőségeket rejt, nem váltja ki az emberi tényezőt. A fejlesztői munka hatékonyságának növekedése mellett számos aggály is felmerül, legyen szó jogi kérdésekről, adatvédelemről, vagy egyszerűen a minőség fenntartásáról.

Mesterséges intelligencia az etikai kihívások és dilemmák tükrében

A Deloitte felmérése szerint a fogyasztók 76%-a aggódik a mesterséges intelligencia által generált félrevezető információk miatt, és több mint 50%-uk nem képes megkülönböztetni az AI és az ember által előállított tartalmakat. Az üzleti szektorban szintén bizonytalanság uralkodik: a munkavállalók mintegy 60%-a nem tudja, hogy a vállalat által alkalmazott AI rendszereknek vannak-e etikai szabványai.

Új korszak az alkalmazásfejlesztésben: a low-code, no-code világa

A Gartner felmérése szerint 2025-re az új, egyedi üzleti alkalmazások 60%-a újrafelhasználható üzleti szolgáltatásokból fog felépülni. Ahelyett, hogy mindent a nulláról kezdenénk, az előre elkészített komponensek által gyorsabban és könnyebben szállíthatunk szoftvermegoldásokat. A low-code platformok megjelenésével új korszak kezdődött a szoftverfejlesztésben, mára különösebb kódolási ismeretek nélkül is belevághatunk az alkalmazásfejlesztésbe. Bátor kijelentés ez, amikor a low-code, no-code előnyeiről beszélünk, és egyáltalán mit értünk a módszer alatt? Nézzünk ennek a mélyére.

Fejlesztés, biztonság, működés: a DevSecOps háromszögében

Kevesebb hiba? Kevesebb stressz? Hogyan érhetjük el mindezt? A válasz a #DevSecOps-ban rejlik, ami teljesen új megközelítést hoz a biztonsági kérdések kezelésében a szoftverfejlesztés során. Képzeljük el ezt úgy, mint egy ház építését. Nem várjuk meg, hogy a ház elkészüljön, és csak akkor gondolkodunk a biztonsági rendszerekben. Beépítjük őket az alapoktól kezdve.

2024-01-18T09:30:05+01:00
Go to Top